В прошлой статье мы разобрали, почему детерминированной «кривой спроса» в недвижимости не существует. Спрос — это не просто функция от цены, а результирующая влияния бесконечного количества факторов: макроэкономики, ключевой ставки ЦБ, маркетинговых усилий застройщика, навыков команды продаж, действий конкурентов, сезонности, курса доллара и т.д.
Что это значит для застройщиков:
Заранее точно определить оптимальные цены сразу на 3 года всего периода продаж невозможно
Статичные модели типа "продали квартиру -> в оставшихся подняли цены на Х руб." не работают. Этот "Х" при каждом пересчёте цен должен быть разным.
Для определения этого "Х" необходимо каждый раз пересчитывать кривую спроса
Базовый принцип ДЦО: ловим цены на лету
Поэтому каждую неделю собираем данные о продажах в нашем ЖК, делаем «срез», строим локальную кривую спроса актуальную на данный момент и корректируем цену. Это и есть база динамического ценообразования в условиях неопределённости.
Представьте стрелка по тарелочкам. Он не знает точно, как будет лететь мишень до самого её падения, но может предсказать её поведение в ближайшую секунду. Он прицеливается с упреждением и стреляет. Мы поступаем так же — корректируем цены на шаг вперёд.
Алгоритм действий:
Делим период продаж на короткие интервалы
По окончании каждого короткого интервала анализируем фактические продажи
На основе этих данных корректируем цену для следующего интервала
Как результат — мы не «вангуем» цены сразу на весь период продаж, а постоянно настраиваемся на вновь поступающую информацию. Проверили, "подкрутили" и поехали дальше. Как водитель, который внимательно следит за обстановкой на дороге и реагирует на все происходящие вокруг него события по мере их поступления.
Как получить кривую спроса
Допустим, у нас есть данные о том, по какой цене и с каким темпом продавались квартиры. А как из этого построить однозначно трактуемую функцию: "если поставить цену Х, темп будет Y"?
Можно использовать полиномиальные регрессии, нейросети, ряды Фурье... Да хоть синусоиду. При выборе модели я бы отталкивался от точности прогнозов на следующий шаг, надёжности, скорости расчёта и простоте.
Зачастую кажется, что лучше более сложная модель с "нанотехнологиями" и chatGPT под капотом. Но применительно к нашей задаче, оказалось, что сила - в простоте. Стрелок по тарелочкам не садится за расчёт уравнений траектории и влияния ветра, он прицеливается, сводя траекторию полёта тарелочки к простому движению. Так же и в ценообразовании. Как это не парадоксально, исследования учёных из Колумбийского университета доказывают, что приведение набора точек к одной прямой линии (линейная аппроксимация) обеспечивает великолепные результаты. Иногда даже лучше, чем сложные модели. Более того, такая реализация устойчива к шумам, быстро считается и понятна всем, от аналитика до CEO.
Резюмируя, линейная аппроксимация в связке с достаточно частым пересчётом цен обеспечивает оптимальный баланс скорости и точности.
"Круиз-контроль" или как использовать модель в реальности
Допустим, у нас есть кривая спроса в динамике. Как её применять? Как эдакий круиз-контроль, который постоянно сравнивает текущую скорость с заданной и регулирует обороты так, чтобы придерживаться целевого значения. Есть , например, план: продавать по 5,1 квартиры в неделю:
Собираем текущие данные о продажах и формируем на их основе кривую спроса
Смотрим на кривую: какая цена обеспечит нужный темп?
Корректируем цену на 153.400 руб/кв.м. Всё. Едем дальше.
Так получается рабочий цикл ДЦО: сняли спрос <-> скорректировали цены
Как настроить "круиз-контроль" динамического ценообразования
В машине всё просто: мы знаем ограничения ПДД, ставим целевую скорость, и авто её поддерживает. А откуда взять целевой темп продаж? Многие застройщики берут за основу продажу одинакового количества лотов за единицу времени. Такой подход называется "равномерным вымыванием".
Это весьма логично. В жилом комплексе количество квартир ограничено. Поэтому, если задать цену ниже оптимальной — квартиры раскупят слишком быстро, и проект недополучит выручку. Если задать слишком высокую цену — к моменту ввода здания в эксплуатацию останутся непроданные лоты, а значит, план продаж затрещит по швам.
Но на самом деле равномерное вымывание — это компромисс. Оно не обеспечивает максимальную прибыль. Почему?
Цены растут ближе к вводу объекта в эксплуатацию.
Деньги стоят в разные периоды времени по-разному.
Спрос скачет: сезон, инфоповоды, реклама.
Вывод: оптимальный темп продаж также постоянно меняется, как и цена.
Иногда нужно продавать быстрее. А иногда — прибыльнее подождать. Если вы не можете пересчитывать темп в зависимости от ситуации на рынке — вы всё ещё играете по старым правилам...
"To be continued..." или что же дальше?
Мы прошли путь от разочарования в детерминированной кривой спроса до построения новой гибкой, живой модели ценообразования. Мы научились работать без стабильной кривой, адаптироваться к рынку, использовать простые модели и управлять процессом.
Но то, что впереди — ещё интереснее:
Как выбрать оптимальный темп продаж?
Как учесть стоимость денег, динамику рынка, поведение конкурентов?
Как моделировать не просто цену, а свою прибыль?
Спойлер: да, это можно делать. В следующей статье мы покажем, как это работает, и почему это не «игра в модельки», а путь к максимальной прибыли.
Оставайтесь с нами. В следующий раз будет больше математики и инсайтов, которые помогают застройщикам зарабатывать, а не выживать на современном рынке недвижимости.
Комментарии (9)
uchitel
17.06.2025 04:19Аналогия со стрельбой по движущимся мишеням хорошая, но в реальности все немного не так. Представьте, что вам по прежнему нужно попасть по летящей тарелочке, но вы выпили пол литра чего покрепче, дует сильный ветер, идет ливень с градом, ну и землетрясение замечательно дополнит картину. Когда нужно попасть случайным значением в случайную область, то это называется стохастическое программирование (SP) - вы оптимизируете не просто значение целевой функции, а среднее значение целевой функции. А это очень разные вещи.
Так же интересен момент с выбором линейной функции в качестве аппроксимации кривой эластичности спроса по цене. Предиктивный анализ строится на каких-то базовых (фундаментальных) предположениях. Например, что будет если продолжить "кривую" спроса до +-бесконечности? Очевидно, что перед нами что-то экспоненциальное (особенно если рынок более-менее эффективен), линейная функция подходит для описания какой-то "части" таких явлений. А вот размер этой "части" - большой вопрос. К тому же раз речь идет о темпе (интенсивности?) продаж, то перед нами Пуассоновский процесс (нестационарный, хитровыдуманный, но Пуассоновский). Простота и понятность для CEO - это не гарантия... успешного успеха что ли.
Учитывая, что вы продаете не мороженное, а квартиры, то на мой взгляд лучше всего использовать вероятностное программирование. А в качестве бонуса вы получите распределения вероятностей, которые как раз и нужны для SP.
Так же надо отметить, что задача динамического ценообразования - это лишь частный случай задачи планирования продаж. Например, вы говорите, что нужно поддерживать темп продаж. Но на самом деле это задача оптимизации как цены, так и объема предложения - сколько и по какой цене продавать. Это "посчитать" сложнее, однако, куда сложнее найти оптимальную стратегию продаж - стохастическое программирование, это своего рода страхование рисков за счет неопределенности, но и это страхование может быть оптимальным и продуманным (двухэтапное SP, построенное на некотором множестве оптимальных логических ограничений (условий)).
Формулы, код, пруфы - вот чего не хватает вашей статье, - без всего этого, это просто маркетинг. А тут на такое аллергия.
NIKOMIK Автор
17.06.2025 04:19По поводу стрельбы по мишени согласен с вашим тезисом (кроме "допинга"). Всё предсказать невозможно. Можно поставить датчики ветра по периметру участка, сейсмические сенсоры, собрать нейронку, которая будет точно обрабатывать все данные, а по факту собака будет пробегать мимо пусковой установки и сместит её в момент запуска мишени. Это предугадать не возможно. Мы работаем только с той информацией, которая у нас есть. Если не получается попасть, нужно подойти поближе к мишени (делать более частые "срезы" спроса.
Реальность - это действительно Пуассоновский процесс. Но сложность в том, что на малом объеме данных в рамках одного жилого комплекса работать с ним не представляется эффективным.
Вероятностный учет у нас включён в ряд модулей, но не является основой. Эта статья является базовой и подводящей к следующей, где будет больше "мяса".
С темпом продаж - абсолютно верно. Один из главных тезисов этой статьи в том, что нельзя рассматривать оптимальную цену в отрыве от оптимального темпа продаж. Это части одного уравнения. Но абсолютное большинство застройщиков это игнорируют и вместо расчёта оптимального темпа продаж в это уравнение подставляю константу. Именно об этом и будет следующая статья.
uchitel
17.06.2025 04:19Мне кажется вы не понимаете фундаментальной проблемы в вашем методе ценообразования - у вас нет модели данных. Вы можете что-то оптимизировать только если можете смоделировать данные. То что данных (событий) мало - это не оправдание. Например, космические запуски происходят в десятки тысяч раз реже чем продаются квартиры, но при этом стоимость страховки для каждого запуска является оптимальной. Вам не кажется это странным?
Но на самом деле, для ваших аргументов все еще хуже, просто потому что есть RMS которые определяют лучшую цену для всего лишь 2-3 клиентов в год. Моделирование редких событий - это вовсе не магия, а давно известный и хорошо себя зарекомендовавший метод.
Есть у вашей статьи еще один большой недостаток - она не воспроизводима. Нет данных, нет модели данных, а значит нет способа убедиться в вашей правоте насчет валидности линейной модели (да и вообще в том, что у вас хоть что-то получается). Отсутствие воспроизводимости - это самый красный из всех красных флагов для ресерчей, аудиторов и консультантов.
MaximusPrimie
Так о чем статья? Зачем нам компьютеры, если мы на счетах прекрасно справляемся?! Среди ИИ множество моделей, каждая из них со своими возможностями. При желании, наличии ресурсов можно свою специализированную нейросеть запустить, это дело считанных часов. Далее ее обучать и она будет реагировать на внешние факторы и подсказывать решения. Не принимать их за человека, а подсказывать. Сами же начали с того что спрос зависит от множества факторов и тут же пришли к прямой. Любой человек, который не прогуливал в школе математику скажет что прямая, это график функции с одной переменной. А если уж человек получил высшее образование...
randomsimplenumber
Поправит очки и скажет линейная регрессия.
MaximusPrimie
Отлично! Так скажите мне в каких случаях удобно применять этот статистический метод? Как вы считаете можно ли опираться на линейную регрессию при прогнозировании? Даю подсказку "статистический метод".
randomsimplenumber
Я датасатанист ненастоящий ;) экстраполяция вот моё хобби.хксд.пнг
NIKOMIK Автор
у статьи 3 главных тезиса (некоторые раскрою в ответе чуть глубже):
На спрос влияет огромное количество количество факторов. По отдельности всех их учесть невозможно. Поэтому:
Предиктивная аналитика в работе показала себя плохо. Черные лебеди "сносят" прогноз за прогнозом. Наш опыт и опыт коллег по цеху показали несостоятельность чисто прогностических моделей. По крайней мере пока.
Сделать реалистичную модель зависимости спроса от всех внешних и внутренних факторов невозможно. А кривая "зависимости" спроса от цены актуальна только если все эти внешние факторы неизменны. По факту - это просто "слепок" спроса на текущий момент времени. Поэтому необходимо делать частые "срезы" спроса и постоянную корректировку ценообразования. Безусловно, предиктивную/статистическую составляющую важно учитывать, но не в блоке построения функции спроса.
Как показали исследования, при частых срезах спроса линейная аппроксимация зарекомендовала себя отлично в решении данной задачи. Нет смысла городить нейронки там, где они не дают никакой дополнительной выгоды. Для того, чтобы сложить 2 и 2, деревянных счёт вполне достаточно.
Кривая спроса работает только в связке целевым темпом продаж. Большинство застройщиков в качестве этого целевого темпа берут "равномерное вымывание". Это здравый подход. Но в реальном мире с дорогими деньгами, инфляцией и рядом других факторов - не оптимален. В следующей статье детально опишу, что и как учитывать для определения оптимального темпа продаж и цены, которая его обеспечивает. Судя по опыту работы с застройщиками, сейчас очень многие пробуют "хакнуть" задачу минимизации расходов на финансирование девелоперских проектов и повышения прибыльности проектов. По прогнозам более 30% застройщиков закончат 2025 год с операционным убытком из-за низкого спроса и огромной стоимости денег. Правильное ДЦО помогает выжать максимум и из любой ситуации.
MaximusPrimie
Если это адресвано мне, то я прочитал вашу статью. У меня как человека с несколькими высшими образованиями и большим опытом в самых разных областях сразу возникает несколько вопросов и попутных рассуждений.
Абсолютно согласен, что на спрос влияет большое количество факторов. Простыми математическими моделями их не описать, с этим не справится ни одна известная математическая функция, ни их сочетание. А вот ИИ как раз таки инструмент "что надо". Но! Те предложения, которые на слуху и доступны многим имеют свои ограничения, просто потому что они так обучены. Их производители имели свои определенные цели и обучали модели для этих целей. Если вы и ваша компания вдруг обзаведетесь специально обученной ИИ для ваших конкретных целей вы окажетесь гораздо более прозорливее ваших конкурентов. Вопрос в том есть ли у вас на это ресурсы и готовы ли вы тратить их на такой ИИ?
Как подсказывает мое знание математики, компьютерной графики на самом низком её уровне. Абсолютно любую кривую, с самой сложной запутанностью можно представить в виде прямых если "бесконечно приблизить\увеличить". Иными словами чем чаще вы проводите срез, как вы его называете, тем более вам будет подходить прямая ну или как еще называют линейная регрессия. Но вопрос в том, какие цели вы преследуете? Если вы строите прогноз на день или неделю то прямые вам подойдут даже не сомневаюсь. Если же это месяц и более, то как руководитель, владелец бизнеса или просто как человек отвечающий за развитие я бы с настороженностью подходил к такому инструменту.
Ваши конкуренты они же коллеги в некотором роде могут использовать что угодно и их стремление сократить издержки это нормальное явление любая компания, любое предприятие всегда стремится сокращать издержки. Даже когда рынок без внешних факторов риска, сокращение издержек было и будет фактором увеличения прибыли, борьбы с конкурентами и т.д.
Подводя итог всему этому. Я не собираюсь вас ни в чем убеждать я высказал свою субъективную точку зрения, вы высказали свою. Нравится вам так работать? Пожалуйста. Но на мой взгляд это больше похоже на зарывание головы в песок с надеждой, что все само пройдет и прямые окажутся правы и спасут ситуацию.